-
公开(公告)号：CN108593643A
公开(公告)日：2018-09-28
申请号：CN201810206431.1
申请日：2018-03-13
Applicant: 重庆交通大学
Abstract: 发明的提供的一种基于智能移动终端的尿液检测方法，包括如下步骤：获取试纸与尿液反应后试纸条上各色块的图像作为样本图像信息；提取出样本图像信息的颜色特征；将样本图像信息的颜色特征输入到神经网络中进行训练得出尿液标准结果；建立颜色特征与检测结果之间的映射关系模型；将神经网络和映射关系模型写入到智能移动终端中，用户通过智能移动终端采集自己尿液与试纸条反应后的图像信息作为待测图像信息；提取出待测图像信息的颜色特征并输入到神经网络中，神经网络中对待测图像信息的颜色特征进行训练并按照映射关系模型与尿液标准结果进行对比，输出当前用户的尿液检测结果；用户无需去医院就能够完成尿液的准确检测，避免了每次检测必须去医院排队和就医的繁琐性，并且操作方便，成本低，提高了尿液检测的便捷性。
-
公开(公告)号：CN107945161A
公开(公告)日：2018-04-20
申请号：CN201711167478.3
申请日：2017-11-21
Applicant: 重庆交通大学
Abstract: 本发明提供的一种基于纹理特征提取的道路表面缺陷检测方法，包括如下步骤：获取具有路面缺陷的图像并进行灰度处理形成路面缺陷灰度图像；对路面缺陷灰度图像进行纹理特征提取，提取出特征值组成纹理特征向量，将同一缺陷类别的纹理特征向量表征的路面缺陷灰度图像进行均分，形成训练集和测试集；并通过栈式自编码器对训练集进行高维抽象特征提取；将softmax layer逻辑分类层堆栈于栈式自编码器形成深度神经网络，通过深度神经网络对高维抽象特征进行训练，对测试集中的路面灰度图像完成分类识别；能够对道路表面缺陷进行准确检测，提升结果的精确性。
-
公开(公告)号：CN117508393A
公开(公告)日：2024-02-06
申请号：CN202311725842.9
申请日：2023-12-15
Applicant: 重庆交通大学
IPC: B62D57/024 , B60R11/04 , B60Q1/50 , H04N23/50
Abstract: 本发明涉及机器人技术领域，具体涉及一种自适应曲面的轮式负压吸附爬壁机器人，包括机身、行走结构和吸附结构；机身包括上层安装框架、机盖、总控板、相机模块、感应构件和下层构件；上层安装框架与吸附结构连接，机盖与上层安装框架连接，并位于上层安装框架的一侧，总控板与上层安装框架连接，并位于上层安装框架的一侧，相机模块与上层安装框架连接，并位于上层安装框架的一侧，感应构件与上层安装框架连接，下层构件与上层安装框架连接，实现机器人胎面实时紧贴墙面及曲面自适应性，对于机器人的前进、后退以及转向控制功能由差速控制来实现。
-
公开(公告)号：CN114231726B
公开(公告)日：2022-11-11
申请号：CN202111589415.3
申请日：2021-12-23
Applicant: 重庆交通大学 , 重庆长江轴承股份有限公司
Abstract: 本发明涉及汽车制造技术领域，具体涉及一种汽车分动箱轴承的轴承套圈热处理方法；汽车分动箱轴承的轴承套圈热处理方法包括如下步骤：预热工序：渗碳工序：对轴承套圈进行外观检查并进行预处理；用氮气填充加热装置后，利用感应加热原理，经逐步升温步骤后，轴承套圈升温至第一预定温度，每次升温后真空保温预定时间；淬火工序：清洗定型工序。通过增设预热工序，通过对轴承套圈进行预热处理，提升轴承套圈的性能，并逐步升温，从而使得轴承套圈的内外部温度一致后，再经渗碳处理后，提升结构强度，从而有效延长轴承套圈的使用寿命。
-
公开(公告)号：CN110705181B
公开(公告)日：2022-06-24
申请号：CN201910970482.6
申请日：2019-10-13
Applicant: 重庆交通大学
IPC: G06F30/27 , G06N3/04 , G06K9/62 , G06F119/04
Abstract: 本发明提供一种基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法，包括：获取滚动轴承的振动加速度信号，作为数据样本；建立卷积自编码器，将数据样本作为输入，训练得到多层卷积自编码器；根据数据样本和多层卷积自编码器，获取数据样本的特征数据；利用模糊C均值算法，根据数据样本的特征数据，确定滚动轴承的健康评估指标；建立卷积长短时记忆循环神经网络模型，将衰退期轴承数据样本和对应的健康评估指标作为卷积长短时记忆循环神经网络的输入，训练得到预测模型；本发明降低了对人工经验和专业知识的依赖，有效地减少输入长短时记忆循环神经网络的数据量，简化运算，预测模型全面、有效地反应轴承的衰退状态。
-
Patent Agency Ranking
公开(公告)号：CN110705181A
公开(公告)日：2020-01-17
申请号：CN201910970482.6
申请日：2019-10-13
Applicant: 重庆交通大学
IPC: G06F30/27 , G06N3/04 , G06K9/62 , G06F119/04
Abstract: 本发明提供一种基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法，包括：获取滚动轴承的振动加速度信号，作为数据样本；建立卷积自编码器，将数据样本作为输入，训练得到多层卷积自编码器；根据数据样本和多层卷积自编码器，获取数据样本的特征数据；利用模糊C均值算法，根据数据样本的特征数据，确定滚动轴承的健康评估指标；建立卷积长短时记忆循环神经网络模型，将衰退期轴承数据样本和对应的健康评估指标作为卷积长短时记忆循环神经网络的输入，训练得到预测模型；本发明降低了对人工经验和专业知识的依赖，有效地减少输入长短时记忆循环神经网络的数据量，简化运算，预测模型全面、有效地反应轴承的衰退状态。
-
公开(公告)号：CN109027017B
公开(公告)日：2019-12-10
申请号：CN201810930242.9
申请日：2018-08-15
Applicant: 重庆交通大学
Abstract: 本发明属于旋转机械部件磨损程度评估技术领域，具体公开了一种空间滚动轴承磨损状态评估方法，包括以下步骤：步骤一：建立空间滚动轴承动力学模型；1)空间滚动轴承的刚度与阻尼求解；2)空间滚动轴承钢球‑滚道接触副的相互作用力求解；3)空间滚动轴承的动力学建模及计算；4)求出空间滚动轴承的振动频谱；步骤二：确定振动频谱中的磨损频率；1)建立空间滚动轴承磨损模型；2)仿真分析；3)求出磨损频率；4)确定振动频谱中哪部分为磨损频率，根据振动频谱中磨损频率的幅值判断空间滚动轴承是处于哪个磨损阶段。使用本发明申请的评估方法，可对空间滚动轴承的磨损状态实现较为精准的预测。
-
公开(公告)号：CN106826830A
公开(公告)日：2017-06-13
申请号：CN201710099750.2
申请日：2017-02-23
Applicant: 重庆交通大学
Abstract: 本发明提供了一种机器人控制方法和装置，包括：利用基于中枢模式发生器的髋关节位置控制方法对机器人的髋关节神经元进行处理，得到髋关节神经元的内部状态；利用膝关节分级阻抗控制方法对所述机器人的膝关节进行处理，得到膝关节在高阻抗控制规律时的力矩和膝关节在低阻抗控制规律时的力矩；根据所述髋关节神经元的内部状态、所述膝关节在高阻抗控制规律时的力矩和所述膝关节在低阻抗控制规律时的力矩，利用髋膝关节联动控制方法对所述机器人的所述髋关节神经元和所述膝关节进行处理，得到所述机器人的膝关节力矩。本发明还公开相应的机器人控制装置。
-
公开(公告)号：CN104846989A
公开(公告)日：2015-08-19
申请号：CN201510277472.6
申请日：2015-05-27
Applicant: 重庆交通大学
Abstract: 本发明公开了一种马桶的冲洗控制方法，包括以下步骤：P1：触发设在马桶上的冲水开关；P2：设于冲水管Ⅱ中的电控阀Ⅱ开启，并且电控阀Ⅱ的开启状态维持M秒后关闭；所述冲水管Ⅱ连接于供水管网并与刷圈流道侧壁处的出水口Ⅱ连通；P3：所述电控阀Ⅱ关闭的同时设于冲水管Ⅰ中的电控阀Ⅰ开启，并且电控阀Ⅰ的开启状态维持N秒后关闭；所述冲水管Ⅰ连接于供水管网并与排污通道处的出水口Ⅰ连通；P4：所述电控阀Ⅰ关断的同时电控阀Ⅱ开启，并且电控阀Ⅱ的开启状态维持R秒后关闭；本发明能够提供较大的瞬间水压，从而具有较强的冲洗力，能够冲洗干净马桶内侧壁并较好地排走污物，同时有效地降低耗水量，提高经济性。
-
公开(公告)号：CN118941840A
公开(公告)日：2024-11-12
申请号：CN202410925308.0
申请日：2024-07-11
Applicant: 重庆交通大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/0985 , G06V10/30 , G06V10/36 , G06V10/26
Abstract: 本发明提供的一种基于改进的EfficientNetV2模型的图像分类方法，包括以下步骤：S1.获取样本数据集；S2.构建改进的EfficientNetV2模型；S3.将样本数据集输入至改进的EfficientNetV2模型中进行训练；S4.判断改进的EfficientNetV2模型是否训练完成，如是，则进入步骤S5；如否，则调整模型参数，返回步骤S3中；S5.对待预测图像进行预处理，并将预处理后的图像输入至训练完成的改进的EfficientNetV2模型中，得到图像的分类结果。通过上述方法，能够捕捉到更加丰富的上下文信息，提高了特征表示的区分性，使模型专注于更有信息量的部分，从而提高检测精度；并且减少了参数的数量，降低了模型训练的复杂性。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.019 seconds)
